SAP AI Core

SAP AI Core: infraestructura MLOps en BTP

SAP AI Core es el servicio de infraestructura de IA en BTP que gestiona el ciclo de vida completo de los modelos: desde el entrenamiento hasta el despliegue en producción a escala.

Arquitectura

SAP AI Core
├── Training Jobs       # Entrenar modelos con Argo Workflows
├── Deployments         # Servir modelos como endpoints REST
├── Generative AI Hub   # Proxy hacia LLMs externos
├── Resource Groups     # Aislamiento multi-tenant
└── Object Store        # Almacenamiento de artefactos y modelos

Desplegar un modelo de inferencia

import ai_core_sdk
from ai_core_sdk.ai_core_v2_client import AICoreV2Client

client = AICoreV2Client(
    base_url="https://api.ai.prod.eu-central-1.aws.ml.hana.ondemand.com",
    auth_url="https://tu-tenant.authentication.eu10.hana.ondemand.com",
    client_id="tu-client-id",
    client_secret="tu-client-secret"
)

# Crear deployment
deployment = client.deployment.create(
    configuration_id="conf-abc123",
    resource_group="mi-proyecto"
)

print(deployment.id, deployment.status)

Pipeline de entrenamiento con Argo Workflows

# training_pipeline.yaml
apiVersion: argoproj.io/v1alpha1
kind: WorkflowTemplate
metadata:
  name: train-clasificador
spec:
  templates:
    - name: entrenar
      container:
        image: mi-imagen-entrenamiento:latest
        command: [python, train.py]
        env:
          - name: DATA_PATH
            value: "/data/entrenamiento"

Generative AI Hub: invocar LLMs

response = client.generative_ai_hub.chat_completions.create(
    model_name="gpt-4o",
    messages=[{"role": "user", "content": "Clasifica este correo: ..."}],
    resource_group="mi-proyecto"
)

Integraciones

• SAP HANA Cloud: almacenamiento vectorial para RAG
• SAP AI Launchpad: interfaz de gestión visual
• S/4HANA: consume los modelos desplegados
• Kyma Runtime: despliegues en Kubernetes gestionado